基于小波分析的不同分解水平的柑橘vc檢測方法

基于小波分析的不同分解水平的柑橘vc檢測方法

0近紅外光譜試驗[研究意義]維生素c（vc）含量是衡量臍橙營養(yǎng)質(zhì)量的重要指標(biāo)之一。目前，國內(nèi)外對臍橙Vc含量的測定通常采用有損的化學(xué)方法，存在樣品預(yù)處理操作繁瑣，耗費(fèi)大量化學(xué)試劑，檢測周期長和成本高等問題。近紅外光譜（NIRS）分析技術(shù)是近年來國內(nèi)外發(fā)展很快的一種新型定性、定量分析方法，具有分析速度快、分析成本低、不破壞樣品、便于實現(xiàn)在線分析等優(yōu)點(diǎn)?！厩叭搜芯窟M(jìn)展】該方法農(nóng)業(yè)、食品、煙草、飼料、醫(yī)藥、化學(xué)化工、紡織工業(yè)等領(lǐng)域得到了日益廣泛的應(yīng)用。劉燕德等以120個紅富士蘋果為標(biāo)準(zhǔn)樣品并結(jié)合偏最小二乘法，應(yīng)用近紅外漫反射光譜技術(shù)快速檢測蘋果糖度和有效酸度，建立了蘋果糖度、有效酸度的定量預(yù)測數(shù)學(xué)模型，研究表明，應(yīng)用近紅外光譜漫反射技術(shù)對蘋果糖度和有效酸度的無損檢測具有可行性。Gómez、Lammertyn等建立了蘋果的近紅外光譜及其總酸、pH、糖分、纖維質(zhì)等參數(shù)的關(guān)系，MaurizioVentura、Steinmeti、AnnPeirs、LuRenfn、VAndrew等先后在不同波長范圍內(nèi)對蘋果中的可溶性固形物含量、糖度、酸度、堅實度和成熟度等品質(zhì)的近紅外檢測進(jìn)行了研究，Clark、Andvew對蘋果水心病的近紅外光譜檢測方法進(jìn)行了探討，AnnPeirs、Lammertyn、Kleynen等就濕度、光源、波長變化對近紅外光譜檢測水果品質(zhì)的影響作了較深入的研究。Carlomagno、SirinnapaSaranwong、Ze’evSchmilovitch、Clark、DanielG.Fraser和Andrew等研究了用近紅外光譜檢測桃、芒果、鱷梨、獼猴桃、柑橘等水果采后品質(zhì)的方法，均得到了比較滿意的結(jié)果?！颈狙芯康那腥朦c(diǎn)】迄今為止，用近紅外光譜檢測臍橙Vc含量的研究未見報道。由于臍橙的Vc含量較低，采集的原始近紅外光譜吸收信號微弱、譜帶重疊、低含量成分譜峰被高含量成分譜峰掩蓋，以及存在信號噪聲、樣品背景和雜散光等問題，如果直接使用原始光譜信號進(jìn)行定量分析，這些信號的存在會影響最終分析結(jié)果的準(zhǔn)確性。因此，必須對原始光譜信號進(jìn)行預(yù)處理，以消除各種干擾?！緮M解決的關(guān)鍵問題】本研究以小波變換對臍橙整果的原始近紅外光譜進(jìn)行消噪處理，通過偏最小二乘法（PLS）建立數(shù)學(xué)模型，快速無損檢測臍橙的Vc含量。1材料和方法1.1近紅外光譜測定為了探索預(yù)測模型的適應(yīng)性，試驗用臍橙樣品為江西省定南縣、湖北省宜昌市、秭歸縣3個地區(qū)的果園多棵樹上隨機(jī)采摘的6個品種成熟臍橙，采后用塑料薄膜袋封裝，冷藏于溫度為5℃、濕度為70%的人工氣候箱中，每周在相同時間從6個品種中隨機(jī)抽取12～16個臍橙進(jìn)行近紅外光譜測定，同時測定這批臍橙的Vc含量，作為建立模型時的標(biāo)準(zhǔn)值，共檢測15周220個臍橙。從220個臍橙中選出100個有代表性的樣品組成樣品集，樣品集的直徑范圍：65～95mm；重量范圍：123～360g;Vc含量化學(xué)值范圍：20.8～89.15mg/100gㄢ1.2樣品杯的配制BRUKERFT–NIR(VECTOR33N型）近紅外光譜儀，配置OPUS分析軟件、Pbs檢測器、鍍金積分球、樣品旋轉(zhuǎn)器、12mm石英樣品杯。測定條件：波數(shù)為12000～4000cm-1，數(shù)據(jù)點(diǎn)1960個，分辨率8cm-1，掃描次數(shù)為64次。1.3檢測方法1.3.1樣品原始光譜在室溫條件下，近紅外儀預(yù)熱20min后，將臍橙整果置于石英樣品杯口上部并適當(dāng)壓緊，測量部位選在臍橙最大橫向直徑處，每個樣品在“赤道”部位相對90°進(jìn)行4次光譜采樣，采樣時盡量避免表面明顯的斑點(diǎn)、疤痕等缺陷。用OPUS軟件對4條光譜取平均值后，作為原始光譜數(shù)據(jù)，樣品原始光譜如圖1所示。由圖1可知，由于柑橘樣品產(chǎn)地、品種、顏色不同，因此每個樣品的NIR譜圖差異較大，在波數(shù)為12000～9500cm-1段，存在很大的噪聲，主要反映柑橘皮的信息。1.3.2橙vc含量根據(jù)GB/T6195-86水果、蔬菜維生素C含量測定法，采用2,6–二氯靛酚滴定法測定臍橙Vc含量。單個樣品光譜掃描后，放入組織搗碎機(jī)搗碎，準(zhǔn)確稱取10g搗碎樣品，移至100ml容量瓶中，加入適量草酸（濃度為1%）護(hù)色，再用蒸餾水定容，取5ml過濾液于三角瓶中，用標(biāo)定好的2,6–二氯靛酚溶液滴定至粉紅色，根據(jù)消耗的2,6–二氯靛酚計算出Vc含量。1.4光譜分析信號的wt處理小波變換是將交織在一起的不同頻率組成的混合信號用分辨率不同的窗口分解成對應(yīng)的不相同頻率的塊信號，并對大小不同的頻率成分采用相應(yīng)的時域（或空域）取樣步長，從而不斷“聚焦”對象的任意微小細(xì)節(jié)，對特殊頻率范圍的噪聲或慢背景進(jìn)行濾波處理，對信號具有自適應(yīng)性，甚至可以對信頻等其它干擾進(jìn)行平滑處理，在光譜信號的平滑濾噪、去除背景、數(shù)據(jù)壓縮以及重疊信號解析中得到越來越多的應(yīng)用。小波是指滿足一定條件的函數(shù)Ψ（t）通過平移和伸縮產(chǎn)生的一個函數(shù)族Ψa,b(t）:式中：a為尺度參數(shù)（scaleparameter），用于控制伸縮（dilation）;b為平移參數(shù)（translationparameter），用于控制位置（position）；Ψ（t）為小波基或小波母函數(shù)。在光譜分析信號的WT處理中，一般使用的是離散型小波變換，離散小波定義a=a0m(a0>1,m∈Z）,b=nb0a0m(b0∈R,n∈Z），則：式中：一般取a0=2,b0=1，此時稱為二進(jìn)小波。對于等波長間隔的k個離散光譜數(shù)據(jù)點(diǎn)x1,x2，…，xk，其離散二進(jìn)小波變換為：(3）式說明WT實際是將離散信號在小波函數(shù)上的投影，不同的m,n代表不同的分辨率和不同的時域，即不同分解尺度水平，消噪效果不同。某信號小波分解后將從原來的空間投影到小波空間，由于WT的特點(diǎn)，在小波空間的系數(shù)有部分系數(shù)特別小，對信號的表示沒有意義，如果將小的系數(shù)去除，在重構(gòu)的信號中不會丟失有意義的信息。因此，WT可用于數(shù)據(jù)的壓縮數(shù)據(jù)。對原始數(shù)據(jù)進(jìn)行小波壓縮后，可采用小波系數(shù)代替原始數(shù)據(jù)，利用多元校正方法建立模型。取較大的小波系數(shù)組成新的數(shù)據(jù)矩陣代替原始數(shù)據(jù)矩陣，可以大大降低數(shù)據(jù)量，既能有效地消除噪聲，又能提高多元校正的速度，同時，采用較少的變量建模，有利于減少模型的隨機(jī)性并提高預(yù)測精度。通常使用的小波函數(shù)有Danbueshies小波、Haar小波、二進(jìn)小波等，其中，Daubechies(dbn）小波基在光譜分析中是最常用的十分有效的離散型小波。建模及評價方法：近紅外光譜定量分析是通過建立樣品吸光度與濃度之間的數(shù)學(xué)校正模型而實現(xiàn)的。常用的建模方法有多元線性回歸（MLR）、主成分回歸（PCR）、偏最小二乘法（PLS）和人工神經(jīng)網(wǎng)絡(luò)（ANN）等方法。偏最小二乘法（PLS）利用主成分分析，將吸光度矩陣和濃度矩陣先分別分解為特征向量和載荷向量，用交互校驗法確定最佳主成分?jǐn)?shù)，然后建立吸光度矩陣與濃度矩陣的數(shù)學(xué)模型，是目前應(yīng)用較多的一種多元校正方法。因此，本項研究采用偏最小二乘法建模，模型評價指標(biāo)采用相關(guān)系數(shù)（R）和內(nèi)部交叉驗證均方差（RMSECV），計算公式（4）～(4）～（5）式中：N為樣品數(shù)；y?i為第i個樣品的組分的回歸值；yi為第i個樣品的組分的標(biāo)準(zhǔn)值。在優(yōu)化模型時，對同一樣品集的同一組分，相關(guān)系數(shù)（R）越大、內(nèi)部交叉驗證均方差（RMSECV）越小，則PLS算法所提取的光譜信息與分析組分的相關(guān)性越好，所建模型的預(yù)測能力和穩(wěn)健性越高。2結(jié)果與分析2.1光譜消噪結(jié)果將原始光譜數(shù)據(jù)導(dǎo)入MATLAB6.5小波分析工具箱中，根據(jù)光譜信號的性質(zhì)，選擇具有正交性和離散小波變換功能的Daubechies3(db3）小波，分別對信號進(jìn)行2、3、4、5、6、7、8尺度水平分解和消噪，消噪時選取固定軟閾值（fixedformsoftthreshold），消噪后的重構(gòu)光譜信號經(jīng)OPUS分析軟件優(yōu)化，得到反映臍橙Vc含量最優(yōu)光譜波段為7501.7～5449.8cm-1。各水平消噪后的最優(yōu)波段光譜如圖2所示。由圖2可以看出不同尺度水平分解，光譜消噪結(jié)果明顯不同，特別是8水平（db3-8），過度分解高頻信號，濾除了大部分有用信息，不能表征物質(zhì)的光譜吸收特征和成分含量；4水平（db3-4）分解消噪效果最佳，既保留了物質(zhì)成分的有用信息，又有效地消除了干擾噪聲。2.2預(yù)測模型的精確性分析將各尺度水平小波消噪優(yōu)化后的光譜用PLS法建立光譜與Vc含量的關(guān)系模型，建模時采用內(nèi)部交叉證實法，依次以樣品集中的一個樣品作為待測樣品，用其余樣品建立關(guān)系模型并預(yù)測樣品的Vc含量（predictionvalue），得出預(yù)測值與標(biāo)準(zhǔn)值之間的相關(guān)系數(shù)（R），計算預(yù)測值與標(biāo)準(zhǔn)值的校正均方差（RMSECV），判別所建預(yù)測模型的精確性（表1）ㄢ表1中，Level為小波分解尺度水平；R為預(yù)測值與標(biāo)準(zhǔn)值的相關(guān)系數(shù)；RMSECV為內(nèi)部交叉驗證均方差；Rank為主成分維數(shù)；N為光譜優(yōu)化波數(shù)。從表1可以得知，2、3、4分解尺度水平PLS法所建模型的預(yù)測效果較好，均可用作臍橙Vc含量的檢測，且隨分解水平的增加，預(yù)測值與標(biāo)準(zhǔn)值的相關(guān)系數(shù)逐漸提高，內(nèi)部交叉驗證均方差逐漸減少，其中，尤以4尺度水平的模型預(yù)測效果最好，相關(guān)系數(shù)R達(dá)到0.9574,100個預(yù)測樣品的RMSECV僅為3.9mg/100g。從5尺度水平開始，預(yù)測值與真值的相關(guān)系數(shù)逐漸下降，內(nèi)部交叉驗證均方差逐漸增加，其中8尺度水平的模型預(yù)測效果最差，相關(guān)系數(shù)R僅為0.4237,RMSECV則達(dá)到13.4mg/100g。這說明分解尺度水平為4的小波變換后的光譜最能反映臍橙Vc含量的信息，所建模型預(yù)測精度最高。3預(yù)處理方法與小波消噪的比較分別選擇常數(shù)偏移消除（constantoffsetelimination,COE）、直線差值（strightlinesubtraction,SLS）、矢量歸一化（vectornormalization,VN）、最小最大歸一化（min-maxnormalization,MMN）、多元散射校正（multiplicationscatteringcorrection,MSC）、一階導(dǎo)數(shù)（firstderivative,FD）、二階導(dǎo)數(shù)（secondderivative,SD）等預(yù)處理方法對臍橙原始光譜數(shù)據(jù)進(jìn)行預(yù)處理，同樣采用PLS法建模，與小波消噪預(yù)處理建模結(jié)果進(jìn)行比較（表2）。結(jié)果表明，11種預(yù)處理方法所建模型中，小波消噪后的模型預(yù)測效果最好，預(yù)測值與真值的相關(guān)系性最好，R達(dá)到0.9574，預(yù)測樣品的內(nèi)部交叉驗證均方差最小，RMSECV僅為3.9mg/100g。由此可得出，小波消噪是臍橙Vc含量檢測的近紅外光譜預(yù)處理的有效方法。在利用小波分析進(jìn)行信號消噪處理時，閾值選擇是信號消噪處理中的一個關(guān)鍵因素，除本文研究中使用的軟閾值方法外，閾值選取還有硬閾值方法。在本研究中，僅對臍橙的原始光譜信號進(jìn)行了軟閾值方法消噪處理，關(guān)于選擇硬閾值的消噪效果，有待繼續(xù)研究。同時，針對不同的信號，不同的噪聲強(qiáng)度和分解層次，閾值選取也是不同的，應(yīng)具體問題具體分析。Danbueshies(dbn）小波基是一個函數(shù)族，本研究中，僅用db3小波對臍橙的原始光譜信號進(jìn)行了消噪處理，未對db2、db4、db5、…，等小波消噪處理效果進(jìn)行比較，后續(xù)研究中，可進(jìn)行對比研究，以便找出消噪效果最佳的Danbueshies小波基，建立精確度更高的臍橙Vc含量預(yù)測模